您好,登錄后才能下訂單哦!
怎么在Python中使用numpy線性代數(shù)?很多新手對此不是很清楚,為了幫助大家解決這個難題,下面小編將為大家詳細講解,有這方面需求的人可以來學(xué)習(xí)下,希望你能有所收獲。
numpy中線性代數(shù)用法
矩陣乘法
>>> import numpy as np >>> x=np.array([[1,2,3],[4,5,6]]) >>> y=np.array([[7,8],[-1,7],[8,9]]) >>> x array([[1, 2, 3], [4, 5, 6]]) >>> y array([[ 7, 8], [-1, 7], [ 8, 9]]) >>> x.dot(y) array([[ 29, 49], [ 71, 121]]) >>> np.dot(x,y) array([[ 29, 49], [ 71, 121]])
計算點積
>>> a=np.array([[1,2],[3,4]]) >>> b=np.array([[11,12],[12,13]]) >>> np.vdot(a,b) 123
計算的公式是
result=1*11+2*12+3*12+4*13
計算內(nèi)積
>>> np.inner(np.array([1,2,3]),np.array([0,1,0])) 2
計算公式
result=1*0+2*1+3*0
計算行列式
>>> np.inner(np.array([1,2,3]),np.array([0,1,0])) 2 >>> a=np.array([[1,2],[3,4]]) >>> np.linalg.det(a) -2.0000000000000004
求線性方程的解
x + y + z = 6 2y + 5z = -4 2x + 5y - z = 27
矩陣表示
>>> import numpy as np >>> a = np.array([[1,1,1],[0,2,5],[2,5,-1]]) >>> ainv = np.linalg.inv(a)#求矩陣的逆 >>> b = np.array([[6],[-4],[27]]) >>> x = np.linalg.solve(a,b)#求解需要A-1和B >>> x array([[ 5.], [ 3.], [-2.]]) >>>
看完上述內(nèi)容是否對您有幫助呢?如果還想對相關(guān)知識有進一步的了解或閱讀更多相關(guān)文章,請關(guān)注億速云行業(yè)資訊頻道,感謝您對億速云的支持。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。